ИИ-платформа для обучения: LMS с ИИ на опыте Scholarly

Главное
• ИИ-платформа для обучения — это LMS, в которой ИИ работает внутри учебного цикла: тьютор отвечает по материалам курса, траектория подстраивается под ученика, лекции получают субтитры, а куратор заранее видит, кто собирается бросить курс.
• Большинству команд выгоднее готовая LMS плюс 3–4 ИИ-модуля. Своя платформа окупается, когда нестандартна методика, в одной живой лекции больше 1 000 человек, жёсткие требования к данным или ИИ — ядро продукта. Scholarly совпал по всем четырём пунктам: 15 000 пользователей, до 2 000 студентов на лекции.
• ИИ в образовании стал нормой. Рынок — $9,0 млрд в 2026 году с ростом 31% в год (IMARC, октябрь 2026), ИИ пользуются 95% британских студентов (HEPI, март 2026). Российский онлайн-образовательный рынок в I квартале 2026 года — 35,5 млрд ₽, +10% за год (Smart Ranking).
• Сроки с ИИ-инструментами: MVP — 5–7 месяцев (7–9 у команд без них), средний масштаб — 9–13 месяцев (12–18), ИИ в готовую LMS — 7–10 недель (9–14). Инфраструктура от ИИ не дешевеет: от ≈ 12 тыс. до 1,6 млн ₽ в месяц.
• Требования к данным закладываются в архитектуру с первого дня. Для России это 152-ФЗ: с 1 июля 2025 года первичный сбор персональных данных через иностранные базы запрещён. Для зарубежных рынков — GDPR, COPPA (новые правила с 22 апреля 2026 года), WCAG и EU AI Act (обязанности для образования — со 2 декабря 2027 года).
Обновлено в ноябре 2026: свежие данные рынка (IMARC, HEPI, Smart Ranking), 152-ФЗ и выбор LLM для российской аудитории, сроки с ИИ-инструментами и без, четыре новые схемы.
Почему этот разбор пишет Фора Софт
Мы делаем продукты для онлайн-обучения с 2005 года: виртуальные классы, платформы живых лекций, ИИ-тьюторов, прокторинг и корпоративные порталы обучения. За это время мы сдали больше 250 проектов. Scholarly — учебная платформа, которую мы построили для австралийского клиента: сегодня это 15 000 активных пользователей и живые лекции до 2 000 студентов на WebRTC и LiveKit. Разработка платформ онлайн-обучения и LMS — наше основное направление вместе с видео и ИИ, поэтому цифры и решения ниже взяты из этого проекта и десятка похожих.
Наши инженеры работают с ИИ-инструментами: ассистенты кода и агенты пишут шаблонный код, тесты и спецификации, сеньоры проектируют и проверяют. Насколько это сокращает сроки, зависит от типа работы — подробный расчёт в разделе о стоимости.
Дальше разбираем, что стоит внутри ИИ-платформы для обучения, как решить «своя или готовая», какие ИИ-функции дают измеримый результат, что требует закон и сколько всё это длится.
Планируете LMS с ИИ уровня Scholarly?
Расскажите о методике и аудитории — подскажем, что взять готовым (Moodle, iSpring Learn, Open edX), а что строить самим, и где ИИ окупится.
Что такое ИИ-платформа для обучения?
ИИ-платформа для обучения — это система управления обучением (LMS), в которой машинное обучение и большие языковые модели работают внутри учебного цикла, а не только хранят курсы. Они персонализируют траекторию, отвечают на вопросы в чате, проверяют работы, делают субтитры и перевод лекций и предупреждают о риске отсева. На практике это ядро LMS (курсы, запись на курсы, журнал, живые и записанные занятия) плюс три-четыре ИИ-сервиса, подключённых к вашему контенту и данным учеников.
| Возможность | Обычная LMS | ИИ-платформа для обучения | Общий ИИ-ассистент |
|---|---|---|---|
| Опора на материалы курса | ИИ нет | Да: RAG по урокам, учебникам и расшифровкам | Только то, что ученик вставил сам |
| Знает прогресс каждого ученика | Только журнал | Да: на этом строятся адаптивные траектории и сигналы риска | Доступа к журналу нет |
| Живые лекции и записи | Обычно через Zoom или Teams | Свои: например, WebRTC-комнаты на 2 000 человек в Scholarly | Нет |
| Контроль над данными учеников | Да | Да: по вашим договорам и в вашей юрисдикции | По условиям вендора |
| Кому принадлежат данные и план развития | Вендору LMS | Вам | Вендору ассистента |
У общих ассистентов появились свои учебные режимы: OpenAI запустил study mode в ChatGPT в июле 2025 года, Google ответил режимом Guided Learning в Gemini в августе 2025-го. Планка для платформы выросла. Своё место она заслуживает тремя вещами, которых нет у потребительского чат-бота: тьютор опирается на ваши материалы, знает прогресс каждого ученика, а данные учеников остаются под вашими договорами. Для российских школ и вузов к этому добавляется локализация данных по 152-ФЗ.
Что такое Scholarly — кратко
Scholarly — платформа онлайн-обучения «всё в одном», которую мы сделали для австралийской образовательной компании: та переросла связку из Zoom, Discord и разрозненных сервисов. Платформа объединяет живые лекции, записи, управление курсами, домашние задания, тесты и доступ родителей и обслуживает 15 000 пользователей. Как строилась сама LMS, от гибридной видеоплоскости WebRTC + HLS до бюджета, разобрано в кейсе разработки LMS Scholarly; здесь — про ИИ-слой и решения, которые нужны перед стартом.
Четыре роли, одна платформа:
- Преподаватели проводят живые лекции до 2 000 студентов с демонстрацией экрана, виртуальной доской, чатом и записью. Запись сама прикрепляется к курсу.
- Студенты подключаются к трансляциям, смотрят записи, проходят материалы, сдают тесты и домашние задания и получают обратную связь в одном месте.
- Родители видят курсы детей, расписание, прогресс и материалы — об этом всегда спрашивают покупатели из школьного сегмента.
- Администраторы создают курсы, планируют события, загружают материалы и управляют пользователями.

Рисунок 1. Scholarly объединяет четыре роли на одной платформе; ИИ-слой необязателен и подключается к ядру, а не заменяет его.
Рынок ИИ в образовании в 2026 году
IMARC (обновление октября 2026 года) оценивает мировой рынок ИИ в образовании в $9,0 млрд в 2026 году против $6,4 млрд в 2025-м и прогнозирует $79,6 млрд к 2034 году — рост 31,35% в год. ИИ из эксперимента стал нормой: по опросу HEPI и Kortext (март 2026 года, 1 054 студента) ИИ пользуются 95% британских студентов, а 94% применяют генеративный ИИ в работах, которые идут в оценку. В американских школах 60% учителей пользовались ИИ в 2024–25 учебном году, а те 32%, кто делает это каждую неделю, экономят около 5,9 часа в неделю (Gallup и Walton Family Foundation, июнь 2025 года).
Российский рынок растёт медленнее, но растёт. По данным Smart Ranking, выручка 100 крупнейших онлайн-образовательных компаний в 2025 году выросла примерно на 12% (в 2024-м — на 19%), а в I квартале 2026 года составила 35,5 млрд ₽, на 10% больше, чем годом раньше. Быстрее всего растёт детское образование: +20,8% за квартал, до 15,4 млрд ₽.
Три сегмента, где ИИ-платформы нужнее всего:
- Школы: самые строгие требования к данным и согласию родителей. Роль родителя — обязательная часть продукта.
- Вузы: ассистенты для преподавателей и студентов, проверка академической честности, работа с текстами, написанными ИИ.
- Корпоративное обучение: время до нужной квалификации, обязательное обучение, рекомендации по развитию навыков.
Практический вывод: в 2026 году выигрывает надёжное ядро LMS с тремя-четырьмя хорошо встроенными ИИ-модулями, а десяток полуготовых функций только мешает.
Своя разработка или готовая LMS: как решить до первой строки кода
Купить LMS и добавить ИИ сверху — правильный выбор примерно для 80% команд, с которыми мы говорим. Своя разработка окупается, если выполнено хотя бы одно из четырёх условий: нестандартная методика, большой масштаб живых занятий, жёсткие требования к данным или ИИ, который не помещается в плагин. Scholarly совпал по всем четырём: живые лекции на 2 000 человек, своя модель курса, требования к хранению данных в регионе и лекционный интерфейс на WebRTC. Подробнее про выбор между Moodle и своей системой — в разборе Moodle или своя LMS, про путь от идеи до MVP — в гиде по разработке платформы онлайн-обучения.
| Платформа | Кому подходит | Сильные стороны | Слабые места |
|---|---|---|---|
| Moodle | Вузы, школы, ограниченный бюджет, свой сервер | Бесплатна, открытый код, тысячи плагинов, можно разместить в российском облаке | Устаревший интерфейс, сложное администрирование |
| iSpring Learn | Корпоративное обучение в России | Быстрый запуск, авторские инструменты, русский интерфейс и поддержка | Ограниченная кастомизация под свою методику |
| GetCourse | Онлайн-школы, продажа курсов | Приём платежей, воронки, рассылки «из коробки» | Мало гибкости в учебной логике, привязка к экосистеме |
| Canvas | Вузы, крупные школы за рубежом | Современный интерфейс, много интеграций | Встроенного ИИ мало, ИИ добавляют через LTI |
| Open edX | Крупные компании с командой DevOps | SCORM, xAPI, сильная расширяемость | Высокий порог входа |
| 360Learning, Docebo | Корпоративное обучение за рубежом | ИИ-теги, аналитика, много языков | Дорогая совокупная стоимость на масштабе |
| Своя разработка (как Scholarly) | Своя методика, масштаб или требования к данным | Полный контроль, ИИ в ядре, интерфейс под методику | Больше времени и денег на старте |
Для российской компании к сравнению добавляются два вопроса: где физически хранятся персональные данные учеников (152-ФЗ) и можно ли оплатить сервис из России. У зарубежных SaaS-LMS это нужно проверять до пилота, а не после.

Рисунок 2. Четыре вопроса «да/нет»: ни одного «да» — готовая LMS с ИИ-модулями, хотя бы одно — своя платформа.
Выбирайте свою разработку, когда: в одной живой сессии больше 1 000 участников, методику не поддерживает ни одна готовая LMS или ИИ-функции должны жить в ядре обучения, а не в LTI-плагине. Если продукт в основном видео, сравните готовые видеосервисы и свою разработку по разбору альтернатив Vonage Video API.
Какие ИИ-функции дают результат
На семь функций приходится почти вся отдача, которую мы видим в проектах LMS с ИИ в 2026 году. Выберите три-четыре под своих учеников, остальное отложите. Когда функция работает с видеопотоком (субтитры, перевод, видеоаналитика), это уже задача разработки и внедрения ИИ на видео, а не только LMS.
Адаптивные траектории обучения
База поведения ученика плюс модель решений: она выстраивает порядок тем, пропускает то, что ученик уже знает, и предлагает повторение, когда он застрял. Трёхслойную схему такого стека мы разобрали в статье про ИИ-персонализацию учебных материалов. Доказательства пользы ИИ-тьюторов теперь есть рандомизированные: в эксперименте Гарварда по физике (Kestin et al., Scientific Reports, июнь 2025 года) студенты с ИИ-тьютором, опирающимся на материалы курса, показали медианный прирост знаний больше чем вдвое выше, чем на занятии с активным обучением, и потратили на это в медиане 49 минут. Главная ловушка — холодный старт: адаптивная логика начинает работать примерно после 10 взаимодействий ученика, поэтому сначала нужна сильная траектория по умолчанию.
Подключайте адаптивные траектории, когда: у каждого ученика уже больше 10 взаимодействий, на которых модель может учиться, и есть сильная программа по умолчанию на время холодного старта. С пустой базой поведения в первый день это не работает.
ИИ-тьюторы и ассистенты на RAG
Чат на большой языковой модели, привязанный к материалам курса через поиск с генерацией (RAG). Тьютор видит урок, главу учебника и последние ответы ученика и только потом отвечает. Планку задают Khanmigo, study mode в ChatGPT и Guided Learning в Gemini: сократический стиль, без готовых решений. Стек: векторная база (Qdrant, Weaviate, pgvector) + LLM (GigaChat, YandexGPT, открытые Qwen или Llama на своих серверах; для зарубежных рынков — Claude, GPT или Gemini) + ограничения + ссылки на источник. Как спроектировать такого тьютора, мы подробно описали в руководстве по интеллектуальным обучающим системам.
Автопроверка и поиск текстов, написанных ИИ
Проверка эссе, кода и задач по критериям. Поиск копирования и текстов, сгенерированных ИИ, плюс инструменты, которые показывают сам процесс письма, — например, Turnitin Clarity, запущенный в июле 2025 года. Распознать текст ИИ по-прежнему трудно. В слепом тесте Университета Рединга (2024 год) опытные экзаменаторы не распознали 94% экзаменационных ответов, написанных ChatGPT, а ложные срабатывания детекторов чаще бьют по тем, кто пишет не на родном языке. Используйте детекцию как повод для проверки человеком, а не как приговор.
Генерация контента и тестов
Банки вопросов из расшифровок лекций или загруженных PDF. Стоимость на масштабе ничтожна — $0,01–0,05 за вопрос через API (≈ 1–4 ₽ по курсу ЦБ на 07.11.2026). Риск — авторские права: если генерировать из нелицензированного контента, ответственность переходит на вас. Генерируйте только из своих или лицензированных материалов.
Распознавание речи, перевод, живые субтитры
Модели класса Whisper для расшифровки, сервисы живых субтитров и слой перевода, который делает лекцию понятной тем, кто не владеет языком. Попутно это закрывает требования доступности WCAG. Архитектура живого перевода — в инженерном плейбуке по переводу видео в реальном времени, мультимедийный ИИ-слой платформы — в статье о трёх слоях ИИ-архитектуры для онлайн-обучения.
Прогноз риска отсева
Аналитика потока событий отмечает учеников, которые, скорее всего, бросят курс, за 2–4 недели до этого, чтобы куратор успел вмешаться. В корпоративном обучении это функция, за которую покупатели платят больше всего: она превращает записавшихся в выпускников.
Видеоаналитика и сигналы вовлечённости
Кто действительно досмотрел, где перематывал, что пропустил. Реализацию мы описали в статье о пяти ИИ-функциях видео в онлайн-обучении. Распознавание эмоций по лицу в учебных системах ЕС запрещено EU AI Act со 2 февраля 2025 года; что можно и чего нельзя — в разборе эмоционального анализа в видео.
Эталонная архитектура: стек Scholarly
Стек Scholarly в том виде, в каком он работает:
- Фронтенд: JavaScript, React, Next.js. Серверный рендеринг для маркетинговых страниц и каталога курсов, клиентский — для комнаты живой лекции.
- Бэкенд: микросервисы на Go и Node.js. Go отвечает за то, что критично к скорости: авторизацию, маршрутизацию живых сессий, метаданные медиа; Node.js — за контент, уведомления и интеграции.
- Живое видео: WebRTC + LiveKit с переключением на HLS/DASH при необходимости. Одна комната LiveKit держит 2 000 участников.
- API: GraphQL: клиент запрашивает только нужные поля, и на сложных экранах курса запросов меньше.
- Инфраструктура: Kubernetes для микросервисов, управляемый Postgres, объектное хранилище для записей и CDN для статики.
- ИИ-слой (расширения): провайдер LLM, векторная база (Qdrant или Weaviate) для RAG, модель расшифровки речи и хранилище признаков для персонализации.
Шаблон переносится на другие проекты. Нужна серверная обработка медиа — замените LiveKit на mediasoup или Kurento (см. наш гайд по Kurento Media Server). Postgres можно заменить управляемым аналогом в облаке, GraphQL — на REST, если команде так привычнее. Главное — базовое разделение: плоскость живого видео отдельно от плоскости контента.
Как провести живую лекцию на 2 000 студентов
Лекция на 2 000 зрителей по WebRTC — это не «Zoom в iframe». Нужно решить три архитектурные задачи, на которых спотыкается большинство команд:
- Вещание, а не mesh. Преподаватель отправляет на SFU один поток с несколькими качествами (симулкаст), SFU раздаёт его студентам. Студенты не публикуют видео, пока их не вызвали к доске, поэтому число потоков растёт линейно, а не квадратично.
- Отдельный канал для взаимодействий. Чат, поднятая рука, опросы и реакции идут через pub/sub (Redis, NATS или управляемый аналог), а не через видеопоток. Всплеск сообщений в чате не должен влиять на качество видео.
- HLS для «длинного хвоста». Планшеты, старые Android-устройства и нестабильные сети не всегда выдерживают 90 минут WebRTC. Дайте им HLS или DASH с задержкой 5–10 секунд: лучше видео с задержкой, чем никакого.

Рисунок 3. Живая лекция: один поток преподавателя, SFU раздаёт его студентам, слабым сетям — HLS, чат идёт отдельным каналом.
Компромиссы медиасерверов разобраны в материалах P2P, MCU или SFU и архитектура WebRTC в 2026 году, протоколы и трафик для учебного видео — в статье про видеостриминг для онлайн-обучения. Если хотите разобраться в теме по шагам, от плеера до записи в журнал, — у нас есть бесплатный курс «Видео в онлайн-обучении».
Требования к данным: 152-ФЗ, GDPR, COPPA, WCAG, EU AI Act
Требования к данным — архитектурная задача. Самая дорогая ошибка, которую мы видим, — добавлять их перед запуском.
| Норма | Кого касается | Ключевое требование | Что меняет в архитектуре |
|---|---|---|---|
| 152-ФЗ | Персональные данные граждан России | Локализация: с 1 июля 2025 года запрещён первичный сбор ПДн через иностранные базы (23-ФЗ от 28.02.2025); штраф юрлицу за нарушение локализации — 1–6 млн ₽ | Базы и бэкапы в российском облаке, ПДн не уходят в зарубежные LLM |
| GDPR | Ученики и поставщики из ЕС | Явное согласие, право на удаление | Хранение в ЕС, конвейер мягкого удаления |
| FERPA | Школы и вузы США | Доступ родителей, ответ за 45 дней | Роль родителя, журнал доступа к записям |
| COPPA (новые правила) | Пользователи в США младше 13 лет | Проверяемое согласие родителей, ограничение поведенческого таргетинга | Возрастной шлюз, поток согласия, минимум данных |
| WCAG 2.1/2.2, ADA Title II | Государственные школы и вузы США, госзаказчики | Субтитры, навигация с клавиатуры, контраст | Аудит уровня AA в CI, конвейер живых субтитров |
| SOC 2 / ISO 27001 | Корпоративные покупатели | Контроль доступа, логи, восстановление после сбоев | Единый провайдер входа, неизменяемые логи, учения |
| EU AI Act | ИИ, который зачисляет, оценивает, направляет или наблюдает за учениками в ЕС | Обязанности для высокого риска — со 2 декабря 2027 года; распознавание эмоций запрещено с февраля 2025 года | Управление рисками, логи, контроль человеком, без анализа эмоций |
Для российской аудитории главный пункт — 152-ФЗ. Данные учеников храните и обрабатывайте на серверах в России, а запросы к LLM, если провайдер за рубежом, очищайте от персональных данных. Повторное нарушение требований локализации по КоАП стоит юрлицу до 18 млн ₽, поэтому выбор облака и LLM-провайдера делается до архитектуры, а не после.
Для зарубежных рынков в 2026 году важны три даты. Новые правила COPPA от FTC (опубликованы в апреле 2025 года) обязательны с 22 апреля 2026 года: если продуктом пользуется хоть один ребёнок из США младше 13 лет, проверка согласия родителей строже, поведенческий таргетинг и срок хранения данных ограничены. Временное правило Минюста США от апреля 2026 года перенесло требования доступности ADA Title II (WCAG 2.1 AA) для госорганов с населением от 50 000, включая государственные вузы, на 26 апреля 2027 года, для остальных — на 26 апреля 2028 года. В ЕС Регламент (ЕС) 2026/1744 (в силе с 27 июля 2026 года) перенёс обязанности AI Act для ИИ высокого риска — зачисление, оценивание, управление обучением и прокторинг — со 2 августа 2026 года на 2 декабря 2027 года. Обязанность сообщать пользователю, что он говорит с ИИ (статья 50), действует со 2 августа 2026 года.
Сколько стоит и сколько длится разработка ИИ-платформы для обучения
Цифры ниже — диапазоны, с которыми мы приходим на оценочные созвоны. Главная колонка — наши сроки с ИИ-инструментами, рядом — рынок без них, чтобы было с чем сравнивать чужие сметы. Каждый проект уникален, это ориентир для планирования.
Как ИИ влияет на сроки. Ускорение зависит от типа работы. Шаблонный код (авторизация, админки, CRUD, CI/CD) — тип А, экономия часов 60–80%. Продуктовая логика и клиенты — тип Б, 40–60%. Тяжёлая инженерия (WebRTC под нагрузкой, ML на своих данных, безопасность) — тип В, 15–30%. Тип Г — комплаенс-аудит, нагрузочные тесты, приёмка у заказчика — не ускоряется совсем. Публичные исследования расходятся, наши коэффициенты — по проектам Фора Софт.
| Этап | Объём | Фора Софт с ИИ-инструментами | Рынок без ИИ | Инфраструктура в месяц |
|---|---|---|---|---|
| MVP | Ядро LMS, один ИИ-модуль, до 1 000 учеников | 5–7 месяцев | 7–9 месяцев | ≈ 12–41 тыс. ₽ |
| Средний масштаб | Живое видео, 3–4 ИИ-модуля, 10–50 тыс. учеников | 9–13 месяцев | 12–18 месяцев | ≈ 164–411 тыс. ₽ |
| Enterprise | Мультитенантность, 100 тыс.+ учеников, полный комплаенс | 14–21 месяц | 20–30 месяцев | ≈ 411 тыс. – 1,64 млн ₽ |
| ИИ в готовую LMS | 2–3 ИИ-модуля как LTI-плагин или встроенный модуль | 7–10 недель | 9–14 недель | по нагрузке |
Как считали: смесь работ платформы с ИИ — А 30%, Б 35%, В 25%, Г 10% часов; экономия часов по типам А −70%, Б −50%, В −22%, Г 0% (≈ 44%); календарь сокращён меньше часов — × (1 − 0,44 × 0,75), этапы типа Г (комплаенс-аудит, приёмка) без сокращения; калибровка Фора Софт от ноября 2026 года. Инфраструктура от ИИ не дешевеет: $150–20 000 в месяц, пересчёт по курсу ЦБ 82,14 ₽ за доллар на 07.11.2026.

Рисунок 4. Сроки по этапам: с ИИ-инструментами календарь короче, но меньше, чем экономия часов, — комплаенс и приёмка не ускоряются.
Отдельной строкой всегда закладывайте то, что идёт сверху: подготовку контента и тестов, аудит безопасности, проверку доступности, интеграцию единого входа (SSO) и тестирование SCORM/xAPI. Если медиа — заметная часть бюджета, сравните поминутную оплату и свой сервер по разбору цен LiveKit и Agora. Чтобы не гадать с объёмом первой версии, начните с бесплатного планирования MVP: конкурентный анализ, ядро функций, архитектура и план запуска за три рабочих дня.
Хотите честную оценку ИИ-платформы для обучения?
Расскажите об аудитории, масштабе и требованиях к данным — вернёмся с описанием объёма, сроков с ИИ и без и бюджета. Бесплатно.
Мини-кейс: Scholarly за 12 месяцев
Австралийская образовательная компания пришла к нам со связкой: Zoom для лекций, Discord для общения, SaaS-сервис для заданий и Google Drive для материалов. Пользователей было около 3 000, а синхронизация данных между сервисами съедала больше 20 часов администрирования в неделю. Нужна была единая платформа, своя методика и запас роста до 15 000+ пользователей.
За 12 месяцев мы сделали заказную LMS: микросервисы на Go и Node.js, фронтенд на React и Next.js, WebRTC и LiveKit для живых лекций до 2 000 студентов в одной комнате, GraphQL для сложных экранов курса и Kubernetes для эксплуатации.
Результат: 15 000 активных пользователей, до 2 000 студентов на одной лекции, администрирование сократилось с 20+ до менее чем 4 часов в неделю, запись лекций полностью автоматизирована. Описание проекта — в портфолио: кейс Scholarly на fora-soft.ru.
Пять вопросов перед решением «своя или готовая»
Ответьте на них до решения. Если на первые два ответ «нет», вам почти наверняка подойдёт SaaS-LMS.
- Методика стандартная или своя? Если учебный дизайн — это «видео и тесты», подойдёт любая крупная LMS. Ветвящаяся логика, своя система оценивания или особый интерфейс — повод для своей разработки.
- Какой потолок нагрузки в одной живой сессии? До 500 — справится большинство платформ. От 500 до 2 000 — нужны WebRTC-решения, как в Scholarly. Больше 10 000 — гибрид WebRTC и HLS.
- Какие нормы применимы? 152-ФЗ, GDPR, FERPA, COPPA, доступность, SOC 2 — каждая добавляет 4–12 недель. Это работа типа Г: ИИ-инструменты эти недели не сокращают. Сложите свои нормы — получите минимальный реалистичный срок.
- Где ИИ в учебном цикле? Если ИИ — сам продукт (автономный тьютор, полностью адаптивная система), его встраивают в ядро. Если он дополняет готовый контент — начните с LMS и LTI-плагина.
- Есть ли в команде DevOps или SRE? Своя инфраструктура требует человека для Kubernetes, CI/CD, учений по восстановлению и логов. Такого человека нет — оставайтесь на управляемой LMS, пока не наймёте.
Пять ошибок в проектах ИИ-платформ для обучения
- ИИ-тьютор без RAG. Голая LLM в окне чата начинает выдумывать содержание курса уже через час. Привязывайте тьютора к своим материалам через RAG, показывайте источники и оставляйте ручную проверку спорных ответов.
- Срабатывание детектора как приговор. У детекторов ИИ-текста и плагиата много ложных срабатываний, особенно на текстах тех, кто пишет не на родном языке. Это сигнал для проверки человеком, а не повод для автоматических санкций.
- Забытый холодный старт. Адаптивным траекториям нужно около 10 взаимодействий ученика. Продумайте траекторию по умолчанию и этап разогрева, не обещайте «100% адаптивности» с первого дня.
- Требования к данным в самом конце. Право на удаление по GDPR требует мягкого удаления во всех сервисах, FERPA — журнала доступа, WCAG — субтитров в живом конвейере, 152-ФЗ — серверов в России. Доделывать каждое из этого потом — двойная работа.
- Персонализация вместо вовлечения. Адаптивный контент сам по себе даёт завершаемость на уровне 60–70%. Выше её поднимают геймификация, группа, дедлайны и живое общение. Планируйте и то, и другое.
KPI: что измерять на ИИ-платформе для обучения
Качество. Доля завершения курса — от 70%, удержание знаний через 30 дней — от 65%, точность ответов ИИ-тьютора по выборочному аудиту — от 85%, точность субтитров — от 93%. Ниже этих значений ИИ добавляет шум, а не пользу.
Бизнес. Время до нужной квалификации по ролевым траекториям (цель — на 20% меньше, чем без адаптивности), NPS от 45, стоимость подготовки одного выпускника (для корпоративного обучения цель — до $5, ≈ 410 ₽), число активных учеников в месяц, конверсия из пробного периода в оплату.
Надёжность. Успешный вход в живую лекцию — от 98%, успешная запись лекции — от 99,5%, P95 времени ответа сервера на страницах контента — до 800 мс, доступность — от 99,9%. Алерты по этим метрикам ловят неудачный релиз раньше пользователей.
Как встроить ИИ в существующую LMS
Большинству клиентов полная переработка, как в Scholarly, не нужна: достаточно добавить ИИ-функции к той платформе, что уже работает. С ИИ-инструментами это 7–10 недель (9–14 недель у команд без них):
- Недели 1–2: разбор текущего контента, выбор двух-трёх ИИ-функций, которые дадут вашей аудитории самый заметный результат.
- Недели 3–6: индекс RAG, подключение LLM-провайдера, первая версия тьютора или автопроверки в виде LTI-плагина или встроенного модуля.
- Недели 7–10: проверка на реальных учениках, настройка промптов, петля проверки человеком, требования к данным, запуск.
Как считали: база 9–14 недель без ИИ; разработка (типы А, Б, В) сокращена по калибровке Фора Софт от ноября 2026 года — экономия часов ≈ 44%, календарь × (1 − 0,44 × 0,75); проверка на реальных учениках и приёмка (тип Г, ≈ 2 недели) не сокращаются.
Шаблоны безопасности, которые проходят закупку
На закупке в образовании в 2026 году задают одни и те же восемь вопросов: где хранятся данные, у кого к ним доступ, как они шифруются, что будет при инциденте, что делать, если пользователь отозвал согласие, как проверен поставщик LLM, где журналы аудита и как часто проводится пентест. Подготовьте ответы заранее — и сделка закроется на недели раньше.
Базовый набор, который мы закладываем в каждый проект уровня Scholarly: единый провайдер входа с SSO (SAML, OIDC, при необходимости LTI 1.3), шифрование данных при хранении и передаче с ротацией ключей, разделение данных по арендаторам, неизменяемые журналы аудита, отдельная роль «проверка ИИ» с доступом к диалогам тьютора, автоматические сроки хранения по 152-ФЗ, GDPR, FERPA и COPPA и план реагирования на инциденты, который отрабатывается раз в квартал.
Для рисков, специфичных для LLM, держите в CI тесты на prompt injection, белый список системных промптов, очищайте персональные данные перед отправкой провайдеру и логируйте каждое обращение к ИИ со сроком хранения по применимым нормам. Медиаплоскость покрывает наш материал «Безопасность WebRTC простым языком».
Какую LLM поставить под ИИ-тьютора?
Универсального ответа нет. Мы выбираем по трём осям: качество рассуждений на вашей программе, где хранятся данные, и стоимость при ожидаемом числе запросов. Для продукта на российскую аудиторию первая развилка — юрисдикция: OpenAI и Anthropic не обслуживают пользователей из России, а персональные данные учеников по 152-ФЗ не должны уходить в зарубежные сервисы.
- GigaChat (Сбер) и YandexGPT (Яндекс): доступны по API с договором и обработкой в России. Наш выбор по умолчанию для тьюторов на русском языке и для школ и вузов.
- Открытые модели на своих серверах: Qwen, Llama, Mistral, gpt-oss: когда данные не должны покидать ваш контур и есть бюджет на GPU в российском облаке. Хорошо подходят для тьюторов на RAG с умеренными требованиями к рассуждениям.
- Claude, GPT, Gemini: для продуктов на зарубежные рынки: сильные рассуждения на длинных материалах, мультимодальность, интеграция с Google Workspace.
- Учебные режимы (LearnLM, study mode в ChatGPT): стоит оценить сократическое поведение; сегодня это настроенные версии общих моделей, а не отдельный класс.
Новые версии моделей выходят каждые несколько месяцев, поэтому фиксируйте идентификатор модели в каждом окружении и прогоняйте оценку тьютора при каждом обновлении, а не считайте, что новая модель лучше для вашей программы. И стройте тьютора так, чтобы провайдера можно было сменить одной правкой конфигурации: привязка к API одного вендора — самая частая архитектурная ошибка, которую мы исправляем в проектах-спасениях.
Берите открытую модель на своих серверах, когда: данные по закону не должны покидать ваш контур и есть бюджет на GPU. В остальных случаях облачная модель по API запускается быстрее и при небольшом объёме запросов дешевле на единицу качества.
Когда не стоит разрабатывать ИИ-платформу для обучения
Иногда правильный ответ проще. Мы отговариваем от своей разработки, когда:
- В каталоге меньше 20 курсов и меньше 1 000 учеников. GetCourse, iSpring Learn или аналог запускаются за дни.
- Нет методической команды. Без методистов ИИ усилит слабый контент, а не исправит его.
- Нужен запуск за 90 дней или быстрее. Возьмите SaaS-платформу и направьте инженеров на ИИ-модули, а не на переписывание LMS.
- Ваше преимущество — контент, а не платформа. Отличный курс на простой LMS всегда лучше простого курса на идеальной.
Часто задаваемые вопросы
Что такое ИИ-платформа для обучения?
Это LMS, в которой ИИ работает внутри учебного цикла: тьютор отвечает по материалам курса, траектория подстраивается под ученика, лекции получают субтитры, а система предупреждает о риске отсева. Обычно это ядро LMS плюс три-четыре ИИ-модуля, подключённых к вашим данным.
Сколько стоит и сколько длится разработка ИИ-платформы уровня Scholarly?
MVP с живым видео, курсами, одним ИИ-модулем и до 1 000 учеников — 5–7 месяцев с ИИ-инструментами (7–9 месяцев у команд без них) плюс ≈ 12–41 тыс. ₽ в месяц на инфраструктуру. Средний масштаб с 3–4 ИИ-модулями и 10–50 тыс. учеников — 9–13 месяцев (12–18), enterprise — 14–21 месяц (20–30). Точные цифры сильно зависят от требований к данным.
Своя LMS или готовая?
Примерно 80% команд выгоднее взять готовое ядро (Moodle, iSpring Learn, GetCourse, Open edX, Canvas) и добавить ИИ плагинами или внешними сервисами. Своя разработка оправдана при уникальной методике, 1 000+ участников в одной живой лекции, нестандартных требованиях к данным или когда ИИ должен жить в ядре, а не в LTI-плагине.
Какие ИИ-функции дают наибольшую отдачу?
Адаптивные траектории, ИИ-тьюторы на RAG, автопроверка с проверкой человеком, живые субтитры и перевод, прогноз риска отсева. Выберите три-четыре под своих учеников, остальное отложите.
Можно ли использовать ChatGPT в российской LMS?
Для продукта на российскую аудиторию — нет: OpenAI не обслуживает пользователей из России, а персональные данные учеников по 152-ФЗ нельзя отправлять в зарубежные сервисы. Берите GigaChat, YandexGPT или открытые модели (Qwen, Llama) на серверах в России.
Как не дать ИИ-тьютору выдумывать?
Всегда используйте RAG по своим материалам, показывайте ссылки на источник, держите строгий системный промпт, раз в неделю проверяйте выборку ответов и дайте ученикам кнопку «пожаловаться», которая ведёт в очередь ручной проверки.
Сколько студентов выдерживает одна живая лекция?
Scholarly держит до 2 000 студентов на лекции через WebRTC и LiveKit. Больше — нужен гибрид: интерактивные «первые ряды» на WebRTC, основной поток через HLS с задержкой 5–10 секунд.
ИИ-платформы действительно улучшают результаты?
Есть рандомизированные данные: в эксперименте Гарварда 2025 года студенты с ИИ-тьютором, опирающимся на материалы курса, показали медианный прирост знаний больше чем вдвое выше, чем на занятии с активным обучением. Эффект сильно зависит от качества контента и мотивации учеников, а не только от ИИ.
Какие требования к данным нужны платформе для школ?
В России — 152-ФЗ с локализацией данных в стране и согласием родителей на обработку данных детей. В США — FERPA, новые правила COPPA с 22 апреля 2026 года, WCAG и ADA Title II, для закупок школьных округов обычно SOC 2 Type II. В ЕС — GDPR и AI Act с обязанностями для образования со 2 декабря 2027 года.
Можно ли добавить ИИ без переделки LMS?
Да. Интеграция занимает 7–10 недель с ИИ-инструментами (9–14 недель у команд без них): ИИ-слой выходит LTI-плагином или встроенным модулем рядом с вашей LMS и саму LMS не трогает. Полная переработка оправдана, только если узким местом стала сама платформа.
Что почитать дальше
Кейс
Кейс разработки LMS: Scholarly на 15 000 пользователей
Как мы построили LMS Scholarly: 15 000 пользователей, лекции на 2000 мест на WebRTC и HLS, четыре роли, бюджет в рублях, 152-ФЗ и когда своя LMS не нужна.
AI-тьюторы
Интеллектуальные обучающие системы: практическое руководство 2026
Запускаем интеллектуальную обучающую систему с пятиуровневой архитектурой: модель ученика, образовательный граф, педагогический ИИ, мультимодальный интерфейс и
Аналитика
Разработка платформы онлайн-обучения: гид основателя
Готовая система обучения или своя разработка, что реально стоит MVP платформы онлайн-обучения и какие решения на старте потом переделывают месяцами подряд.
Мультимедиа
Платформа онлайн-обучения с ИИ-персонализацией материалов
Как устроена персонализация учебных материалов на основе ИИ, что требует 152-ФЗ, где в реестр Минцифры не пускают и сколько стоит разработка платформы.
WebRTC 2026
Moodle или разработка своей LMS: что выбрать в 2026
Moodle 5.3 LTS, MoodleCloud, гибрид или своя LMS: сравнение по 11 критериям, расходы за три года, 152-ФЗ и реестр ПО. Опыт Фора Софт с 2005 года.
Готовы запустить платформу уровня Scholarly
Scholarly показывает, как выглядит современная ИИ-платформа для обучения в эксплуатации: понятное ядро LMS, живое видео на 2 000 студентов, ИИ там, где он улучшает результат, и требования к данным, заложенные в основу. Наш подход простой: покупайте то, что стало стандартом, разрабатывайте то, что уникально, и внедряйте ИИ только там, где он окупается.
Если вы оцениваете похожий продукт или хотите добавить ИИ к своей LMS, следующий шаг — короткий созвон. Сопоставим методику, масштаб и требования к безопасности с подходящим стеком, оценим сроки с ИИ и без и бюджет. Чтобы прийти на созвон подготовленным, загляните в бесплатный курс «ИИ в видеоинженерии» — там по шагам разобраны распознавание речи, субтитры и ИИ-агенты.
Давайте сделаем вашу ИИ-платформу для обучения
Фора Софт с 2005 года делает продукты для обучения, видео и ИИ. 15 000 пользователей Scholarly — лучшее подтверждение.